Recommended
More Related Content
What's hot
What's hot (20)
Similar to 製造業におけるインクリメンタル学習異常検知事例の紹介
Similar to 製造業におけるインクリメンタル学習異常検知事例の紹介 (20)
Recently uploaded
Recently uploaded (20)
製造業におけるインクリメンタル学習異常検知事例の紹介
- 3. 背景：一般的な機械学習導入方法 3 Training Data Set 特徴量計算 教師データ生成 機械学習 アルゴリズム Measurement Data 特徴量計算 機械学習 モデル 判定処理 Learning Stage Prediction Stage 収集したデータで学習を行い、機械学習モデルをリリースする
- 4. 背景：一般的な機械学習導入方法における課題点 4 機械学習モデル導入後、再学習が必要となるケースが発生 する → 設備間のばらつき (例：周辺設備の影響や照明条件の違い) → 設備自体の経時劣化 (例：カメラに汚れが付着していくとか) 環境変化を網羅してデータ収集するのは難しい → どこまで収集すれば網羅できるのか、誰もわからない。 → データ拡張でどこまで対応できるかも、明確化するのが困難 環境変化に自動追従できる枠組みが望ましい
- 5. 背景：インクリメンタル学習 5 Measurement Data 特徴量計算 機械学習 モデル 判定処理 Prediction Stage 機械学習 アルゴリズム フィードバック 再測定 Prediction Stage内で機械学習モデルの更新を行う インクリメンタル学習により環境変化への自動追従が期待できる
- 6. インクリメンタル学習:部分空間法による異常検知例 6 R𝑥 = 𝑖=1 𝑛 𝑥𝑖𝑥𝑖 𝑇 R𝑥𝑈 = 𝑈Λ バッチ学習の場合 測定データX={x1,x2,・・・xn}か ら自己相関行列を計算し固有値 問題を解く ここに数式を入力します。主成 分空間への変換行列をUkとした 時、次式でスコアが求まる インクリメンタル学習の場合 追加測定データY ={y1,y2,・・・ ym}から、自己相関行列を更新 する R𝑦 = 𝑖=1 𝑚 𝑦𝑖𝑦𝑖 𝑇 R𝑥+𝑦 = 𝑅𝑥 + 𝑅𝑦 Rx+yから固有値問題を解き、 主成分空間を更新させる 𝑠𝑐𝑜𝑟𝑒 = 𝑥𝑇 𝐼 − 𝑈𝑘𝑈𝑘 𝑇 𝑥
- 7. インクリメンタル学習:忘却係数の導入 7 機械学習モデルの更新に好ましくない測定データも含まれて しまう可能性が考えられる また、直近の状態に対して過学習傾向にした方が良好な結果が 得られやすいとも考えらえる。 ⇒過去に学習したデータの影響を小さくするための係数を導入 R𝑥+𝑦 = 𝑅𝑥 + 𝑅𝑦 R𝑥+𝑦 = (1 − α)𝑅𝑥+α𝑅𝑦 0 .0 < α < 1.0
- 8. インクリメンタル学習:デメリット 8 1. 経時的に異常に近づいて行くような現象の検出には向かない 2. 機械学習モデルの更新も行う事になるので、計算量が増大する 3. 非連続な変化には追従できない 4. モデルが更新されるという事に難色を示される場合もある
- 9. 導入事例：システム構成(1) 9 動画解析により、ワーク搬送装置の異常を検出し設備を停止させる PC PoE Hub デジタル入出力 生産設備 120 fps カメラ1 120 fps カメラ2 120 fps カメラ3 120 fps カメラ4 CPU:core i7(4コア8スレッド) メモリ：16GByte VGA：GPU利用無し ストレージ：合計5TB システム構成例 ワーク搬送装置例
- 10. 導入事例：システム化の工夫(1) 10 既製VMSと連携させる事がカメラ管理まわりの開発工数を削減 PC PoE Hub 生産設備 120 fps カメラ1 120 fps カメラ2 120 fps カメラ3 120 fps カメラ4 Milestonesystems Xprotect Expres+ AdaWatcher 弊社開発アプリ Contec DIOボード
- 11. 導入事例：システム化の工夫(2) 11 検査処理と学習処理を別スレッドで実行し100fpsの処理速度を実現 検査スレッド 学習スレッド 映像 入力処理 前処理 検査処理 映像 入力処理 前処理 検査処理 映像 入力処理 前処理 検査処理 機械学習モデルの更新処理 カメラごとの処理
Editor's Notes
- アダコテックの取締役を務めている伊藤と申します。 よろしくお願いいたします。 本日は「事業をスケールさせるAIについて」話したいと思います。